一种基于亮暗通道先验景深估计的神经元提取方法及装置

1.本发明涉及神经元提取技术领域，特别是指一种基于亮暗通道先验景深估计的神经元提取方法及装置。


背景技术：

2.神经元提取是脑科学与生物医学等研究中一个非常关键的处理环节，从光学显微成像设备所获取的荧光钙信号图像视频数据中，提取神经元细胞的空间位置及形状大小、动作电位及时序变化等特征信息，并用于后续观察、分析与理解大规模或介观尺度神经元细胞群所产生的生命机理活动及变化规律。近年来，神经元提取已被广泛应用于脑科学、生命科学、神经科学和细胞生物学等众多领域。
3.针对钙信号图像视频数据的神经元提取问题，现有的神经元提取方法有约束性非负矩阵分解、扩展约束性非负矩阵分解等。然而，上述方法在原始数据处理运算时，将三维原始视频数据直接转变为二维图像矩阵，未考虑及有效利用原始数据景深信息；同时，未考虑及解决光学显微非线性成像与光线散射等机制所产生的钙成像数据散射问题。因此，如何提出一种景深利用与去散射的高效神经元提取方法是本领域技术人员当前亟需解决的一个问题。


技术实现要素：

4.本发明实施例提供了一种基于亮暗通道先验景深估计的神经元提取方法及装置。所述技术方案如下：
5.一方面，提供了一种基于亮暗通道先验景深估计的神经元提取方法，该方法由电子设备实现，该方法包括：
6.s1、输入原始图像视频数据；
7.s2、计算所述原始图像视频数据的亮暗通道先验，利用两种先验估计所述原始图像视频数据景深对应的传输率；
8.s3、将所述原始图像视频数据以像素为单位点除景深对应的传输率，构建约束性非负矩阵分解的神经元提取框架；
9.s4、迭代求解神经元的相关参数，所述相关参数包括：空间位置及形状大小、动作电位及时序变化、背景，直至迭代结束，最终输出神经元的提取信息，所述提取信息包括：空间位置及形状大小、动作电位和时序变化。
10.可选地，所述s2，具体包括：
11.对所述原始图像视频数据中的每帧图像，计算对应的亮通道先验i
bcp
：
[0012] （1）
[0013]
对所述原始图像视频数据中的每帧图像，计算对应的暗通道先验i
dcp
：
[0014]
（2）
[0015]
其中，ii是输入图像且含有r个通道，x为i的当前像素坐标，是坐标x的像素点为中心的邻近窗口区域，y是区域中各像素点的坐标；
[0016]
在得到每帧图像的亮暗通道先验基础上，估计每帧图像的景深对应传输率t：
[0017]
（3）
[0018]
其中，除法操作均为像素点除运算，为了避免传输率的过估计，加入权重系数w。
[0019]
可选地，所述s3，具体包括：
[0020]
将所述原始图像视频数据和所述传输率相点除，如下公式所示：
[0021]
，i=1,...,n(4)
[0022]
其中，为一个较小常数10-6
，目的是防止t趋近于0，以避免等式整个分数趋近于无穷大，除法操作均为像素点除运算；
[0023]
将点除运算后的结果表示为列向量形式，将全部结果组成一个矩阵,作为所述约束性非负矩阵分解的神经元提取框架的初始输入数据,其中vi为第i列向量。
[0024]
可选地，所述s4，具体包括：
[0025]
s41、固定相关参数中的背景、神经元的动作电位及时序变化，利用快速分层交替最小二乘算法，求解得到神经元的空间位置及形状大小；
[0026]
s42、固定相关参数中的背景、步骤s41得到的神经元空间位置及形状大小，利用在线有效集算法，推断得到神经元的动作电位及时序变化；
[0027]
s43、固定步骤s41得到的神经元的空间位置及形状大小和步骤s42得到的神经元动作电位及时序变化，利用奇异值分解方法求解背景信息；
[0028]
s44、重复步骤s41-s43直到第一层迭代结束，得到当前神经元特征信息；
[0029]
s45、将所述当前神经元特征信息作为第二层迭代的输入数据，重复步骤s2-s45，直到第二层迭代结束，最终输出神经元的提取信息，所述提取信息包括：空间位置及形状大小、动作电位和时序变化。
[0030]
可选地，所述s41，具体包括：
[0031]
固定当前背景和所有神经元的当前动作电位及时序变化，求解所有神经元空间位置及形状大小的目标函数表示为：
[0032]
(5)
[0033]
其中，v是输入数据，p为所有提取神经元的空间位置及形状大小，c为所有提取神经元的动作电位及时序变化，p具有稀疏性和空间局部性，d和f分别为背景的空间位置和时序变化，上标符号^为相关参数的当前估计值；
[0034]
通过快速分层交替最小二乘算法，求解p的目标函数,对c中每个神经元均进行以下运算：
[0035]
(6)
[0036]
其中，,,上标符号t表示转置运算，k为c中所有神经元数目，k=1,...,k，迭代上述运算直至迭代结束。
[0037]
可选地，所述s42，具体包括：
[0038]
固定当前背景和步骤s41得到的所有神经元的当前空间位置及形状大小，推断所有神经元的动作电位c及时序变化s的目标函数构建为：
[0039]
(7)
[0040]
其中，，，sk为神经元时间动态活动中所产生冲击次数，且sk具有稀疏性，采用二阶回归过程建模每个神经元时间动态活动性，g
(k)
为二阶回归系数；
[0041]
利用在线有效集算法，求解神经元动作电位c及时序变化s的目标函数，对每个神经元进行迭代运算：
[0042]
（8）
[0043]
其中，和分别为池化变量和池化长度，，，为g的自相关函数系数，权重系数，qk的初始值设置为，通过迭代此运算推断得到神经元动作电位c及时序变化s。
[0044]
可选地，所述s43，具体包括：
[0045]
固定步骤s41得到的神经元的空间位置及形状大小和步骤s42得到的动作电位及时序变化的当前值，求解背景的空间位置d和时序变化f的目标函数表示为：
[0046]
（9）
[0047]
其中，；
[0048]
利用奇异值分解方法求解背景的空间位置d和时序变化f，公式如下：
[0049] （10）
[0050]
其中，svd表示奇异值分解运算。
[0051]
另一方面，提供了一种基于亮暗通道先验景深估计的神经元提取装置，所述装置包括：
[0052]
输入模块，用于输入原始图像视频数据；
[0053]
计算模块，用于计算所述原始图像视频数据的亮暗通道先验，利用两种先验估计所述原始图像视频数据景深对应的传输率；
[0054]
构建模块，用于将所述原始图像视频数据以像素为单位点除景深对应的传输率，构建约束性非负矩阵分解的神经元提取框架；
[0055]
迭代模块，用于迭代求解神经元的相关参数，所述相关参数包括：空间位置及形状大小、动作电位及时序变化、背景，直至迭代结束，最终输出神经元的提取信息，所述提取信息包括：空间位置及形状大小、动作电位和时序变化。
[0056]
另一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述基于亮暗通道先验景深估计的神经元提取方法。
[0057]
另一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述基于亮暗通道先验景深估计的神经元提取方法。
[0058]
本发明实施例提供的技术方案带来的有益效果至少包括：
[0059]
本发明提出了一种基于亮暗通道先验景深估计的神经元提取方法，利用亮暗通道先验准确估计原始数据的景深信息，并将景深估计有效融合到约束性非负矩阵框架中，相比于现有的约束性非负矩阵分解及其扩展等方法，本发明能够快速估计与利用原始视频图像数据景深，有效地去除原始视频图像数据的散射，准确地提取神经元的空间位置及形状大小、动作电位和时序变化等特征信息。
附图说明
[0060]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0061]
图1是本发明实施例提供的一种基于亮暗通道先验景深估计的神经元提取方法流程图；
[0062]
图2是本发明实施例提供的亮暗通道先验的景深估计流程图；
[0063]
图3是本发明实施例提供的一种基于亮暗通道先验景深估计的神经元提取方法详细流程图；
[0064]
图4是本发明实施例提供的一种基于亮暗通道先验景深估计的神经元提取装置框图；
[0065]
图5是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
[0066]
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
[0067]
本发明实施例提供了一种基于亮暗通道先验景深估计的神经元提取方法，该方法可以由电子设备实现，该电子设备可以是终端或服务器。如图1所示的基于亮暗通道先验景深估计的神经元提取方法流程图，该方法的处理流程可以包括如下的步骤：
[0068]
s1、输入原始图像视频数据；
[0069]
输入原始图像视频数据，作为景深估计的初始数据；
[0070]
将输入视频数据通过格式转换为一帧帧图像数据，n为输入数据的图像总帧数。
[0071]
s2、计算所述原始图像视频数据的亮暗通道先验，利用两种先验估计所述原始图像视频数据景深对应的传输率；
[0072]
可选地，如图2所示，所述s2，具体包括：
[0073]
对所述原始图像视频数据中的每帧图像，计算对应的亮通道先验i
bcp
：
[0074]
（1）
[0075]
对所述原始图像视频数据中的每帧图像，计算对应的暗通道先验i
dcp
：
[0076]
（2）
[0077]
其中，ii是输入图像且含有r个通道，x为i的当前像素坐标，是坐标x的像素点为中心的邻近窗口区域，y是区域中各像素点的坐标；
[0078]
在得到每帧图像的亮暗通道先验基础上，估计每帧图像的景深对应传输率t：
[0079]
（3）
[0080]
其中，除法操作均为像素点除运算，为了避免传输率的过估计，加入权重系数w。
[0081]
可选地，w按检验设置为0.95。
[0082]
s3、将所述原始图像视频数据以像素为单位点除景深对应的传输率，构建约束性非负矩阵分解的神经元提取框架；
[0083]
可选地，如图3所示，所述s3，具体包括：
[0084]
将所述原始图像视频数据和所述传输率相点除，如下公式所示：
[0085]
，i=1,...,n(4)
[0086]
其中，为一个较小常数10-6
，目的是防止t趋近于0，以避免等式整个分数趋近于无穷大，除法操作均为像素点除运算；
[0087]
将点除运算后的结果表示为列向量形式，将全部结果组成一个矩阵, 作为所述约束性非负矩阵分解的神经元提取框架的初始输入数据, 其中vi为第i列向
量。
[0088]
s4、迭代求解神经元的相关参数，所述相关参数包括：空间位置及形状大小、动作电位及时序变化、背景，直至迭代结束，最终输出神经元的提取信息，所述提取信息包括：空间位置及形状大小、动作电位和时序变化。
[0089]
可选地，所述s4，具体包括：
[0090]
s41、固定相关参数中的背景、神经元的动作电位及时序变化，利用快速分层交替最小二乘算法，求解得到神经元的空间位置及形状大小；
[0091]
可选地，所述s41，具体包括：
[0092]
固定当前背景和所有神经元的当前动作电位及时序变化，求解所有神经元空间位置及形状大小的目标函数表示为：
[0093]
(5)
[0094]
其中，v是输入数据，p为所有提取神经元的空间位置及形状大小，c为所有提取神经元的动作电位及时序变化，p具有稀疏性和空间局部性，d和f分别为背景的空间位置和时序变化，上标符号^为相关参数的当前估计值；
[0095]
通过快速分层交替最小二乘算法，求解p的目标函数,对c中每个神经元均进行以下运算：
[0096]
(6)
[0097]
其中，,,上标符号t表示转置运算，k为c中所有神经元数目，k=1,...,k，迭代上述运算直至迭代结束。
[0098]
s42、固定相关参数中的背景、步骤s41得到的神经元空间位置及形状大小，利用在线有效集算法，推断得到神经元的动作电位及时序变化；
[0099]
可选地，所述s42，具体包括：
[0100]
固定当前背景和步骤s41得到的所有神经元的当前空间位置及形状大小，推断所有神经元的动作电位c及时序变化s的目标函数构建为：
[0101]
(7)
[0102]
其中，，，sk为神经元时间动态活动中所产生冲击次数，且sk具有稀疏性，采用二阶回归过程建模每个神经元时间动态活动性，g
(k)
为二阶回归系数；
[0103]
利用在线有效集算法，求解神经元动作电位c及时序变化s的目标函数，对每个神经元进行迭代运算：
[0104]
（8）
[0105]
其中，和分别为池化变量和池化长度，，，为g的自相关函数系数，权重系数，qk的初始值设置为，通过迭代此运算推断得到神经元动作电位c及时序变化s。
[0106]
s43、固定步骤s41得到的神经元的空间位置及形状大小和步骤s42得到的神经元动作电位及时序变化，利用奇异值分解方法求解背景信息；
[0107]
可选地，所述s43，具体包括：
[0108]
固定步骤s41得到的神经元的空间位置及形状大小和步骤s42得到的动作电位及时序变化的当前值，求解背景的空间位置d和时序变化f的目标函数表示为：
[0109]
（9）
[0110]
其中，；
[0111]
利用奇异值分解方法求解背景的空间位置d和时序变化f，公式如下：
[0112]
（10）
[0113]
其中，svd表示奇异值分解运算。
[0114]
s44、重复步骤s41-s43直到第一层迭代结束，得到当前神经元特征信息；
[0115]
s45、将所述当前神经元特征信息作为第二层迭代的输入数据，重复步骤s2-s45，直到第二层迭代结束，最终输出神经元的提取信息，所述提取信息包括：空间位置及形状大小p、动作电位c和时序变化s。
[0116]
为了提取出准确的神经元特征信息，本发明实施例设置了两层迭代，且每层中均设置了2次迭代。
[0117]
如图4所示，本发明实施例还提供了一种基于亮暗通道先验景深估计的神经元提取装置，所述装置包括：
[0118]
输入模块410，用于输入原始图像视频数据；
[0119]
计算模块420，用于计算所述原始图像视频数据的亮暗通道先验，利用两种先验估计所述原始图像视频数据景深对应的传输率；
[0120]
构建模块430，用于将所述原始图像视频数据以像素为单位点除景深对应的传输率，构建约束性非负矩阵分解的神经元提取框架；
[0121]
迭代模块440，用于迭代求解神经元的相关参数，所述相关参数包括：空间位置及形状大小、动作电位及时序变化、背景，直至迭代结束，最终输出神经元的提取信息，所述提取信息包括：空间位置及形状大小、动作电位和时序变化。
[0122]
本发明实施例提供的一种基于亮暗通道先验景深估计的神经元提取装置，其功能结构与本发明实施例提供的一种基于亮暗通道先验景深估计的神经元提取方法相对应，在此不再赘述。
[0123]
图5是本发明实施例提供的一种电子设备500的结构示意图，该电子设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，cpu）501和一个或一个以上的存储器502，其中，所述存储器502中存储有至少一条指令，所述至少一条指令由所述处理器501加载并执行以实现上述基于亮暗通道先验景深估计的神经元提取方法的步骤。
[0124]
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述基于亮暗通道先验景深估计的神经元提取方法。例如，所述计算机可读存储介质可以是rom、随机存取存储器（ram）、cd-rom、磁带、软盘和光数据存储设备等。
[0125]
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0126]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于亮暗通道先验景深估计的神经元提取方法，其特征在于，所述方法包括：s1、输入原始图像视频数据；s2、计算所述原始图像视频数据的亮暗通道先验，利用两种先验估计所述原始图像视频数据景深对应的传输率；s3、将所述原始图像视频数据以像素为单位点除景深对应的传输率，构建约束性非负矩阵分解的神经元提取框架；s4、迭代求解神经元的相关参数，所述相关参数包括：空间位置及形状大小、动作电位及时序变化、背景，直至迭代结束，最终输出神经元的提取信息，所述提取信息包括：空间位置及形状大小、动作电位和时序变化。2.根据权利要求1所述的方法，其特征在于，所述s2，具体包括：对所述原始图像视频数据中的每帧图像，计算对应的亮通道先验i
bcp
：（1）对所述原始图像视频数据中的每帧图像，计算对应的暗通道先验i
dcp
：（2）其中，i
i
是输入图像且含有r个通道，x为i的当前像素坐标，是坐标x的像素点为中心的邻近窗口区域，y是区域中各像素点的坐标；在得到每帧图像的亮暗通道先验基础上，估计每帧图像的景深对应传输率t：（3）其中，除法操作均为像素点除运算，为了避免传输率的过估计，加入权重系数w。3.根据权利要求2所述的方法，其特征在于，所述s3，具体包括：将所述原始图像视频数据和所述传输率相点除，如下公式所示：，i=1,...,n(4)其中，为一个较小常数10-6
，目的是防止t趋近于0，以避免等式整个分数趋近于无穷大，除法操作均为像素点除运算；将点除运算后的结果表示为列向量形式，将全部结果组成一个矩阵,作为所述约束性非负矩阵分解的神经元提取框架的初始输入数据,其中v
i
为第i列向量。4.根据权利要求1所述的方法，其特征在于，所述s4，具体包括：s41、固定相关参数中的背景、神经元的动作电位及时序变化，利用快速分层交替最小二乘算法，求解得到神经元的空间位置及形状大小；s42、固定相关参数中的背景、步骤s41得到的神经元空间位置及形状大小，利用在线有效集算法，推断得到神经元的动作电位及时序变化；s43、固定步骤s41得到的神经元的空间位置及形状大小和步骤s42得到的神经元动作
电位及时序变化，利用奇异值分解方法求解背景信息；s44、重复步骤s41-s43直到第一层迭代结束，得到当前神经元特征信息；s45、将所述当前神经元特征信息作为第二层迭代的输入数据，重复步骤s2-s45，直到第二层迭代结束，最终输出神经元的提取信息，所述提取信息包括：空间位置及形状大小、动作电位和时序变化。5.根据权利要求4所述的方法，其特征在于，所述s41，具体包括：固定当前背景和所有神经元的当前动作电位及时序变化，求解所有神经元空间位置及形状大小的目标函数表示为：(5)其中，v是输入数据，p为所有提取神经元的空间位置及形状大小，c为所有提取神经元的动作电位及时序变化，p具有稀疏性和空间局部性，d和f分别为背景的空间位置和时序变化，上标符号^为相关参数的当前估计值；通过快速分层交替最小二乘算法，求解p的目标函数,对c中每个神经元均进行以下运算：(6)其中，,,上标符号t表示转置运算，k为c中所有神经元数目，k=1,...,k，迭代上述运算直至迭代结束。6.根据权利要求5所述的方法，其特征在于，所述s42，具体包括：固定当前背景和步骤s41得到的所有神经元的当前空间位置及形状大小，推断所有神经元的动作电位c及时序变化s的目标函数构建为：(7)其中，，，s
k
为神经元时间动态活动中所产生冲击次数，且s
k
具有稀疏性，采用二阶回归过程建模每个神经元时间动态活动性，g
(k)
为二阶回归系数；利用在线有效集算法，求解神经元动作电位c及时序变化s的目标函数，对每个神经元进行迭代运算：（8）其中，和分别为池化变量和池化长度，，，为g
的自相关函数系数，权重系数，q
k
的初始值设置为，通过迭代此运算推断得到神经元动作电位c及时序变化s。7.根据权利要求6所述的方法，其特征在于，所述s43，具体包括：固定步骤s41得到的神经元的空间位置及形状大小和步骤s42得到的动作电位及时序变化的当前值，求解背景的空间位置d和时序变化f的目标函数表示为：（9）其中，；利用奇异值分解方法求解背景的空间位置d和时序变化f，公式如下：（10）其中，svd表示奇异值分解运算。8.一种基于亮暗通道先验景深估计的神经元提取装置，其特征在于，所述装置包括：输入模块，用于输入原始图像视频数据；计算模块，用于计算所述原始图像视频数据的亮暗通道先验，利用两种先验估计所述原始图像视频数据景深对应的传输率；构建模块，用于将所述原始图像视频数据以像素为单位点除景深对应的传输率，构建约束性非负矩阵分解的神经元提取框架；迭代模块，用于迭代求解神经元的相关参数，所述相关参数包括：空间位置及形状大小、动作电位及时序变化、背景，直至迭代结束，最终输出神经元的提取信息，所述提取信息包括：空间位置及形状大小、动作电位和时序变化。9.一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，其特征在于，所述至少一条指令由所述处理器加载并执行以实现如权利要求1-7任一项所述基于亮暗通道先验景深估计的神经元提取方法。10.一种计算机可读存储介质，所述存储介质中存储有至少一条指令，其特征在于，所述至少一条指令由处理器加载并执行以实现如权利要求1-7任一项所述基于亮暗通道先验景深估计的神经元提取方法。

技术总结
本发明公开一种基于亮暗通道先验景深估计的神经元提取方法及装置，方法包括：输入原始图像视频数据；计算原始图像视频数据的亮暗通道先验，利用两种先验估计原始图像视频数据景深对应的传输率；将原始图像视频数据以像素为单位点除景深对应的传输率，构建约束性非负矩阵分解的神经元提取框架；迭代求解神经元的相关参数，包括：空间位置及形状大小、动作电位及时序变化、背景，直至迭代结束，最终输出神经元的提取信息，包括：空间位置及形状大小、动作电位和时序变化。本发明能够快速估计与利用原始数据景深，有效地去除原始数据的散射，准确地提取神经元的空间位置及形状大小、动作电位和时序变化等特征信息。和时序变化等特征信息。和时序变化等特征信息。


技术研发人员：庄培显 李擎 李江昀 张天翔 万春秋 苗磊 奚亚鸣 林语煊 黄晨
受保护的技术使用者：北京科技大学
技术研发日：2023.06.12
技术公布日：2023/7/12